
from google.colab import drive
drive.mount('/content/drive')

Mounted at /content/drive


import pandas as pd
import numpy as np
import os
import matplotlib.pyplot as plt
plt.style.use("default")
import seaborn as sns

from keras.models import load_model
from keras.preprocessing.image import load_img, img_to_array

from sklearn.metrics import classification_report


def get_breed(file):
    image = load_img(file, target_size=(299, 299))
    input_array = np.reshape(img_to_array(image), (-1, 299, 299, 3)) / 255

    # Prédiction de la race
    output = model.predict(input_array)
    return class_label.at[output.argmax(axis=-1)[0], 'index']

def get_top3_breeds(model, file):
    image = load_img(file, target_size=(299, 299))
    input_array = np.reshape(img_to_array(image), (-1, 299, 299, 3)) / 255

    # Prédiction de la race
    output = model.predict(input_array)

    df_out = pd.DataFrame(output[0])
    top3_breeds = pd.merge(class_label, df_out, left_index=True, right_index=True).rename(columns={0: 'Probabilité', 'index': 'Race prédite'}).sort_values('Probabilité', ascending=False).head(3)
    return top3_breeds


def get_true_breed(file):
    return file.split('/')[-2].split('-')[1]


def get_best_object(df):
  result_df = pd.DataFrame()
  for i in range(len(df.objects)):

    res = pd.DataFrame(df.objects[i], columns=['class_id', 'name', 'relative_coordinates', 'confidence'])
    if res.empty:
      # NaN si aucun objet détecté (la photo ne sera pas recadrée)
      res.loc[0] = np.nan
    else:
      # Sélection du chien avec la meilleure confidence
      res = res[res.name == "dog"].sort_values(by="confidence", ascending=False).head(1).reset_index(drop=True)

      # NaN si aucun chien détecté (la photo ne sera pas recadrée)
      if res.empty:
        res.loc[0] = np.nan
      else:
        # Extraction des coordonnées de recadrage
        coord = pd.DataFrame.from_dict(res.relative_coordinates.loc[0], orient='index').transpose()
        res = pd.merge(res, coord, left_index=True, right_index=True)

    # Ajout dans un df
    result_df = result_df.append(res)

  return result_df.reset_index(drop=True)


path = '/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P7_Développez_une_preuve_de_concept/dev/src/'
model = load_model(path + 'best_model_Xception_DataAugmentation_120_breeds.hdf5')
class_label = pd.read_csv(path + 'class_labels.csv')
test_file = pd.read_csv(path + 'dog_test_split.csv')


print(f'Nous avons {test_file.shape[0]} images de test')

Nous avons 4116 images de test


path_img = '/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/'


test_file.uri = test_file.uri.apply(lambda x : path_img + x).str.replace('\\', '/')


%time test_file["predicted_breeds"] = test_file.uri.apply(lambda x: get_breed(x))
test_file

CPU times: user 3min 23s, sys: 25.9 s, total: 3min 49s
Wall time: 22min 28s


error_predict = test_file[test_file.breeds != test_file.predicted_breeds]
error_predict.reset_index(drop=True, inplace=True)
error_predict


i = 1
for img in error_predict.uri.head(20):
    print(f"Cas n°{i}")
    display(load_img(img))
    display("Race indiquée par les données : " + get_true_breed(img))
    display(get_top3_breeds(model, img))
    print("#############################################################")
    print("")
    i += 1

Cas n°1

'Race indiquée par les données : toy_poodle'

#############################################################

Cas n°2

'Race indiquée par les données : standard_schnauzer'

#############################################################

Cas n°3

'Race indiquée par les données : Sealyham_terrier'

#############################################################

Cas n°4

'Race indiquée par les données : Japanese_spaniel'

#############################################################

Cas n°5

'Race indiquée par les données : Yorkshire_terrier'


img = error_predict.uri[2]
display(load_img(img))
display("Race indiquée par les données : " + get_true_breed(img))
display(get_top3_breeds(model, img))

'Race indiquée par les données : Sealyham_terrier'


test_file.uri[0]

'/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02096585-Boston_bull/n02096585_1571.jpg'


file = path_img + 'src/img/n02095889-Sealyham_terrier/n02095889_61.jpg'
display(load_img(file))


file = path_img + 'src/img/n02098105-soft-coated_wheaten_terrier/n02098105_3591.jpg'
display(load_img(file))


img = error_predict.uri[11]
display(load_img(img))
display("Race indiquée par les données : " + get_true_breed(img))
display(get_top3_breeds(model, img))

'Race indiquée par les données : French_bulldog'


file = path_img + 'src/img/n02085620-Chihuahua/n02085620_952.jpg'
display(load_img(file))


img = path_img + 'src/img/img test api/_n02108915_623_recadrée.jpg'
display(load_img(img))
display(get_top3_breeds(model, img))


accuracy_best_model = round((test_file.shape[0] - error_predict.shape[0]) / test_file.shape[0]*100, 1)
print(f'Précision du modèle : {accuracy_best_model} %')

Précision du modèle : 87.4 %


class_report = classification_report(test_file.breeds, test_file.predicted_breeds, output_dict=True)
class_report_df = pd.DataFrame.from_dict(class_report, orient='columns').transpose().head(-3)
pd.set_option('display.max_rows', None)
class_report_df.sort_values('precision')


%%capture
# clone darknet repo
!git clone https://github.com/AlexeyAB/darknet

# change makefile to have GPU and OPENCV enabled
%cd darknet
!sed -i 's/OPENCV=0/OPENCV=1/' Makefile
!sed -i 's/GPU=0/GPU=1/' Makefile
!sed -i 's/CUDNN=0/CUDNN=1/' Makefile
!sed -i 's/CUDNN_HALF=0/CUDNN_HALF=1/' Makefile

# verify CUDA
!/usr/local/cuda/bin/nvcc --version

# make darknet (builds darknet so that you can then use the darknet executable file to run or train object detectors)
!make


%%capture
!wget https://github.com/AlexeyAB/darknet/releases/download/darknet_yolo_v3_optimal/yolov4.weights


error_predict.uri[1]

'/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02097209-standard_schnauzer/n02097209_2382.jpg'


%%capture
!./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output "/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02097209-standard_schnauzer/n02097209_2382.jpg"


load_img('predictions.jpg')


%%capture
# Extraction des uri dans un fichier texte
error_predict.uri.to_csv('/content/images_error.txt', index=False, header=False)
# Détection des objets identifiés dans les images à partir du fichier texte
# Stockage des résultats dans un JSON
!./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show -ext_output -out /content/result.json < /content/images_error.txt


# Transformation du JSON en dataframe
result_crop = pd.read_json('/content/result.json')
# Récupération de l'objet identifié comme un chien avec la meilleur confidence
result_crop = get_best_object(result_crop)
# Assemblage des données dans un dataframe
error_predict_crop = pd.merge(error_predict, result_crop, left_index=True, right_index=True)
col = ['uri', 'breeds',	'predicted_breeds', 'center_x', 'center_y', 'width', 'height']
error_predict_crop = error_predict_crop[col]
error_predict_crop.head()


for i in range(20):
  img = error_predict_crop.uri[i]
  img = load_img(img)
  # display(img)
  width, height = img.size
  # display(width, height)
  if ~np.isnan(error_predict_crop.center_x[i]):
    # Transformation des coordonnées relatives en coordonnées interprétables
    center_x = width * error_predict_crop['center_x'][i]
    center_y = height * error_predict_crop['center_y'][i]
    h_crop = height * error_predict_crop['height'][i]
    w_crop = width * error_predict_crop['width'][i]

    left = center_x - w_crop / 2
    top = center_y - h_crop / 2
    right = center_x + w_crop / 2
    bottom = center_y + h_crop / 2

    # display(left, top, right, bottom)

    # Rognage sur objet à identifier et transformation avant prédicition
    img_cropped = img.crop((left, top, right, bottom))
    display(img_cropped)

    img_cropped = img_cropped.resize((299, 299))
    input_array = np.reshape(img_to_array(img_cropped), (-1, 299, 299, 3)) / 255

    # Prédiction de la race
    output = model.predict(input_array)

    df_out = pd.DataFrame(output[0])
    top3_breeds = pd.merge(class_label, df_out, left_index=True, right_index=True).rename(columns={0: 'Probabilité', 'index': 'Race prédite'}).sort_values('Probabilité', ascending=False).head(3)
    display(top3_breeds)
  else: print("Non identifié comme un chien")

Non identifié comme un chien


# TO DO  : Evaluer la réduction d'erreur uniquement sur le fichier d'erreur
error_predict_crop['predicted_breeds_crop'] = np.nan
for i in range(len(error_predict_crop)):
  # print(f'Traitement de la photo {i} en cours ...')
  img = error_predict_crop.uri[i]
  img = load_img(img)

  width, height = img.size

  # Rognage si chien détecté
  if ~np.isnan(error_predict_crop.center_x[i]):
    # Transformation des coordonnées relatives en coordonnées interprétables
    center_x = width * error_predict_crop['center_x'][i]
    center_y = height * error_predict_crop['center_y'][i]
    h_crop = height * error_predict_crop['height'][i]
    w_crop = width * error_predict_crop['width'][i]

    left = center_x - w_crop / 2
    top = center_y - h_crop / 2
    right = center_x + w_crop / 2
    bottom = center_y + h_crop / 2

    # Rognage sur objet à identifier et transformation avant prédicition
    img = img.crop((left, top, right, bottom))

  # Classification de la photo avec ou sans rognage
  img = img.resize((299, 299))
  input_array = np.reshape(img_to_array(img), (-1, 299, 299, 3)) / 255

  # Prédiction de la race
  output = model.predict(input_array)
  breeds = class_label.at[output.argmax(axis=-1)[0], 'index']
  error_predict_crop['predicted_breeds_crop'].loc[i] = breeds

/usr/local/lib/python3.6/dist-packages/pandas/core/indexing.py:670: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  iloc._setitem_with_indexer(indexer, value)


n_new_error = error_predict_crop[error_predict_crop.breeds != error_predict_crop.predicted_breeds_crop].shape[0]
error_reduce = round(1 - n_new_error / error_predict_crop.shape[0], 2) * 100
print(f"Les erreurs de prédiction ont été réduites de {error_reduce} % sur le fichier d'erreur.")

Les erreurs de prédiction ont été réduites de 35.0 % sur le fichier d'erreur.


%%capture
# Extraction des uri dans un fichier texte
test_file.uri.to_csv('/content/images_test.txt', index=False, header=False)
# Détection des objets identifiés dans les images à partir du fichier texte
# Stockage des résultats dans un JSON
!./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show -ext_output -out "/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P7_Développez_une_preuve_de_concept/dev/src/result_test.json" < /content/images_test.txt


# Transformation du JSON en dataframe
result_crop = pd.read_json("/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P7_Développez_une_preuve_de_concept/dev/src/result_test.json")
# Récupération de l'objet identifié comme un chien avec la meilleur confidence
result_crop = get_best_object(result_crop)
# Assemblage des données dans un dataframe
test_file = pd.merge(test_file, result_crop, left_index=True, right_index=True)
col = ['uri', 'breeds',	'predicted_breeds', 'center_x', 'center_y', 'width', 'height']
test_file = test_file[col]
test_file.head()


test_file['predicted_breeds_crop'] = np.nan
for i in range(len(test_file)):
  # print(f'Traitement de la photo {i} en cours ...')
  img = test_file.uri[i]
  img = load_img(img)

  width, height = img.size

  # Rognage si chien détecté
  if ~np.isnan(test_file.center_x[i]):
    # Transformation des coordonnées relatives en coordonnées interprétables
    center_x = width * test_file['center_x'][i]
    center_y = height * test_file['center_y'][i]
    h_crop = height * test_file['height'][i]
    w_crop = width * test_file['width'][i]

    left = center_x - w_crop / 2
    top = center_y - h_crop / 2
    right = center_x + w_crop / 2
    bottom = center_y + h_crop / 2

    # Rognage sur objet à identifier et transformation avant prédicition
    img = img.crop((left, top, right, bottom))

  # Classification de la photo avec ou sans rognage
  img = img.resize((299, 299))
  input_array = np.reshape(img_to_array(img), (-1, 299, 299, 3)) / 255

  # Prédiction de la race
  output = model.predict(input_array)
  breeds = class_label.at[output.argmax(axis=-1)[0], 'index']
  
  test_file['predicted_breeds_crop'].loc[i] = breeds

/usr/local/lib/python3.6/dist-packages/pandas/core/indexing.py:670: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  iloc._setitem_with_indexer(indexer, value)


test_error_predict_crop = test_file[test_file.breeds != test_file.predicted_breeds_crop]
test_error_predict_crop.reset_index(drop=True, inplace=True)

accuracy_best_model = round((test_file.shape[0] - test_error_predict_crop.shape[0]) / test_file.shape[0]*100, 1)
print(f'Précision du modèle : {accuracy_best_model} %')

Précision du modèle : 87.5 %


for i in range(20):
  print(f"Cas n°{i}")
  img = test_error_predict_crop.uri[i]
  img = load_img(img)
  display(img)
  width, height = img.size

  # Rognage si chien détecté
  if ~np.isnan(test_error_predict_crop.center_x[i]):
    # Transformation des coordonnées relatives en coordonnées interprétables
    center_x = width * test_error_predict_crop['center_x'][i]
    center_y = height * test_error_predict_crop['center_y'][i]
    h_crop = height * test_error_predict_crop['height'][i]
    w_crop = width * test_error_predict_crop['width'][i]

    left = center_x - w_crop / 2
    top = center_y - h_crop / 2
    right = center_x + w_crop / 2
    bottom = center_y + h_crop / 2

    # Rognage sur objet à identifier et transformation avant prédicition
    img = img.crop((left, top, right, bottom))

  display(img)
  # Classification de la photo avec ou sans rognage
  img = img.resize((299, 299))
  input_array = np.reshape(img_to_array(img), (-1, 299, 299, 3)) / 255

  # Prédiction de la race
  output = model.predict(input_array)
  breeds = class_label.at[output.argmax(axis=-1)[0], 'index']
  
  
  print(f'Race donnée : {test_error_predict_crop.breeds[i]}')
  print(f'Race sans rognage : {test_error_predict_crop.predicted_breeds[i]}')
  print(f'Race prédite avec rognage si détection : {breeds}')
  print("#############################################################")
  print("")

Cas n°0

Race donnée : toy_poodle
Race sans rognage : miniature_poodle
Race prédite avec rognage si détection : miniature_poodle
#############################################################

Cas n°1

Race donnée : cocker_spaniel
Race sans rognage : cocker_spaniel
Race prédite avec rognage si détection : Blenheim_spaniel
#############################################################

Cas n°2

Race donnée : West_Highland_white_terrier
Race sans rognage : West_Highland_white_terrier
Race prédite avec rognage si détection : Sealyham_terrier
#############################################################

Cas n°3

Race donnée : Sealyham_terrier
Race sans rognage : soft-coated_wheaten_terrier
Race prédite avec rognage si détection : soft-coated_wheaten_terrier
#############################################################

Cas n°4

Race donnée : Irish_wolfhound
Race sans rognage : Irish_wolfhound
Race prédite avec rognage si détection : cairn
#############################################################

Cas n°5

Race donnée : Yorkshire_terrier
Race sans rognage : silky_terrier
Race prédite avec rognage si détection : silky_terrier
#############################################################

Cas n°6

Race donnée : Eskimo_dog
Race sans rognage : Siberian_husky
Race prédite avec rognage si détection : Siberian_husky
#############################################################

Cas n°7

Race donnée : Dandie_Dinmont
Race sans rognage : Tibetan_terrier
Race prédite avec rognage si détection : Tibetan_terrier
#############################################################

Cas n°8

Race donnée : Walker_hound
Race sans rognage : Labrador_retriever
Race prédite avec rognage si détection : Labrador_retriever
#############################################################

Cas n°9


test_error_predict_crop.uri[4]

'/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02090721-Irish_wolfhound/n02090721_1954.jpg'


%%capture 
!./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output "/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02090721-Irish_wolfhound/n02090721_1954.jpg"


load_img('predictions.jpg')


test_error_predict_crop.uri[8]

'/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02089867-Walker_hound/n02089867_2387.jpg'


%%capture 
!./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output "/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02089867-Walker_hound/n02089867_2387.jpg"


load_img('predictions.jpg')


test_error_predict_crop.uri[9]

'/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02112137-chow/n02112137_12741.jpg'


%%capture 
!./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -ext_output "/content/drive/My Drive/Formation/Informatique - Digital/OpenClassroom/IML/P6_Classez_des_images_à_l_aide_d_algorithmes_de_deep_learning/dev/src/img/n02112137-chow/n02112137_12741.jpg"


load_img('predictions.jpg')


class_report = classification_report(test_file.breeds, test_file.predicted_breeds_crop, output_dict=True)
class_report_df = pd.DataFrame.from_dict(class_report, orient='columns').transpose().head(-3)
pd.set_option('display.max_rows', None)
class_report_df.sort_values('precision')


dogs = pd.read_csv(path_img + 'src/dogs.csv')
dogs.uri = dogs.uri.apply(lambda x : path_img + x).str.replace('\\', '/')
dogs['breeds'] = dogs.uri.str.split('/').str.get(12).str.slice(10)
dogs['filename'] = dogs['uri'].str.split('/').str.get(13)
dogs


%%capture
# Extraction des uri dans un fichier texte
dogs.uri.to_csv('/content/images_dogs.txt', index=False, header=False)
# Détection des objets identifiés dans les images à partir du fichier texte
# Stockage des résultats dans un JSON
!./darknet detector test cfg/coco.data cfg/yolov4.cfg yolov4.weights -dont_show -ext_output -out /content/result.json < /content/images_dogs.txt


# Transformation du JSON en dataframe
result_crop = pd.read_json('/content/result.json')
# Récupération de l'objet identifié comme un chien avec la meilleur confidence
result_crop = get_best_object(result_crop)
# Assemblage des données dans un dataframe
dogs = pd.merge(dogs, result_crop, left_index=True, right_index=True)
col = ['uri', 'breeds', 'filename', 'center_x', 'center_y', 'width', 'height']
dogs = dogs[col]
dogs.head()


for i in range(len(dogs)):
  # print(f'Traitement de la photo {i} en cours ...')
  img = dogs.uri[i]
  img = load_img(img)

  width, height = img.size

  # Rognage si chien détecté
  if ~np.isnan(dogs.center_x[i]):
    # Transformation des coordonnées relatives en coordonnées interprétables
    center_x = width * dogs['center_x'][i]
    center_y = height * dogs['center_y'][i]
    h_crop = height * dogs['height'][i]
    w_crop = width * dogs['width'][i]

    left = center_x - w_crop / 2
    top = center_y - h_crop / 2
    right = center_x + w_crop / 2
    bottom = center_y + h_crop / 2

    # Rognage sur objet à identifier et transformation avant prédicition
    img = img.crop((left, top, right, bottom))

  # Enregistrement de la photos
  path_crop = path + 'img_crop/' + dogs.breeds[i] + '/'

  img.save(path_crop + dogs.filename[i])

	uri	breeds	predicted_breeds
0	/content/drive/My Drive/Formation/Informatique...	Boston_bull	Boston_bull
1	/content/drive/My Drive/Formation/Informatique...	toy_poodle	miniature_poodle
2	/content/drive/My Drive/Formation/Informatique...	Staffordshire_bullterrier	Staffordshire_bullterrier
3	/content/drive/My Drive/Formation/Informatique...	dingo	dingo
4	/content/drive/My Drive/Formation/Informatique...	West_Highland_white_terrier	West_Highland_white_terrier
...	...	...	...
4111	/content/drive/My Drive/Formation/Informatique...	Staffordshire_bullterrier	Staffordshire_bullterrier
4112	/content/drive/My Drive/Formation/Informatique...	Old_English_sheepdog	Old_English_sheepdog
4113	/content/drive/My Drive/Formation/Informatique...	Irish_terrier	Irish_terrier
4114	/content/drive/My Drive/Formation/Informatique...	Bedlington_terrier	Bedlington_terrier
4115	/content/drive/My Drive/Formation/Informatique...	clumber	clumber

	uri	breeds	predicted_breeds
0	/content/drive/My Drive/Formation/Informatique...	toy_poodle	miniature_poodle
1	/content/drive/My Drive/Formation/Informatique...	standard_schnauzer	miniature_schnauzer
2	/content/drive/My Drive/Formation/Informatique...	Sealyham_terrier	soft-coated_wheaten_terrier
3	/content/drive/My Drive/Formation/Informatique...	Japanese_spaniel	Pekinese
4	/content/drive/My Drive/Formation/Informatique...	Yorkshire_terrier	silky_terrier
...	...	...	...
512	/content/drive/My Drive/Formation/Informatique...	cairn	Border_terrier
513	/content/drive/My Drive/Formation/Informatique...	Lhasa	Shih-Tzu
514	/content/drive/My Drive/Formation/Informatique...	English_springer	German_short-haired_pointer
515	/content/drive/My Drive/Formation/Informatique...	Australian_terrier	silky_terrier
516	/content/drive/My Drive/Formation/Informatique...	West_Highland_white_terrier	Maltese_dog

	Race prédite	Probabilité
104	miniature_poodle	0.652671
115	toy_poodle	0.347219
41	Lakeland_terrier	0.000037

	Race prédite	Probabilité
105	miniature_schnauzer	8.540156e-01
114	standard_schnauzer	1.459842e-01
94	giant_schnauzer	1.734078e-07

	Race prédite	Probabilité
51	Pekinese	0.682957
38	Japanese_spaniel	0.316960
63	Shih-Tzu	0.000057

Notebook d'implémentation en production¶

Adrian Rodriguez¶

Projet 7 parcours Ingénieur Machine Learning¶

0. Contexte¶

Sources bibliographiques :¶

Prototype¶

1. Chargement du modèle et des fichiers nécessaires¶

2. Méthode baseline sur méthode en production¶

2-1. Extraction des prédictions en erreur¶

2-3. Etude des prédictions en erreur¶

2-3-1. Visualisation d'un échantillon d'erreur¶

2-3-2. Retour sur le cas n°3¶

2-3-3. Retour sur le cas n°12¶

2-4. Conclusion sur la méthode actuellement en production¶

3. Méthode améliorée d'un détecteur d'objet (YOLOv4)¶

3-1. Construction de détecteur et chargement des poids de YOLOv4¶

3-2 Identification d'un objet¶

3.3. Expérimentation sur le fichier des images prédites en erreur¶

3-3-1. Identification des chiens¶

3-3-2. Visualisation des résultats sur le même échantillon du rapport de classification¶

3-4. Généralisation sur le fichier de test¶

3-4-1. Capture des objets sur l'échantillon de test¶

3-4-2. Compréhension des erreurs induites¶

3-4-3. Objets détecté dans le cas n°4¶

3-4-4. Objets détecté dans le cas n°8¶

3-4-5. Objets détecté dans le cas n°9¶

3-5. Rapport global de classification¶

4. Création des photos rognées pour apprentissage¶

	Race prédite	Probabilité
112	soft-coated_wheaten_terrier	0.956069
61	Sealyham_terrier	0.037118
41	Lakeland_terrier	0.003409

	Race prédite	Probabilité
111	silky_terrier	0.556030
73	Yorkshire_terrier	0.438188
5	Australian_terrier	0.005672

	Race prédite	Probabilité
64	Siberian_husky	0.703306
24	Eskimo_dog	0.241922
101	malamute	0.054724

	Race prédite	Probabilité
101	malamute	0.633134
48	Norwegian_elkhound	0.357203
24	Eskimo_dog	0.006938

	Race prédite	Probabilité
68	Tibetan_terrier	0.726644
44	Maltese_dog	0.108286
43	Lhasa	0.054459

	Race prédite	Probabilité
40	Labrador_retriever	0.055117
29	Great_Dane	0.046484
93	flat-coated_retriever	0.044625

	Race prédite	Probabilité
23	EntleBucher	0.616895
31	Greater_Swiss_Mountain_dog	0.232895
4	Appenzeller	0.139398

	Race prédite	Probabilité
27	German_short-haired_pointer	0.770263
80	bluetick	0.229263
40	Labrador_retriever	0.000402

	Race prédite	Probabilité
17	Chihuahua	0.897360
25	French_bulldog	0.070206
103	miniature_pinscher	0.013219

	Race prédite	Probabilité
103	miniature_pinscher	0.354982
116	toy_terrier	0.185895
13	Brabancon_griffon	0.129670

	Race prédite	Probabilité
52	Pembroke	0.655918
15	Cardigan	0.344061
107	papillon	0.000019

	Race prédite	Probabilité
60	Scottish_deerhound	9.515973e-01
36	Irish_wolfhound	4.840273e-02
118	whippet	6.883465e-10

	Race prédite	Probabilité
60	Scottish_deerhound	0.999046
36	Irish_wolfhound	0.000948
81	borzoi	0.000005

	Race prédite	Probabilité
106	otterhound	0.450279
68	Tibetan_terrier	0.264938
50	Old_English_sheepdog	0.079104

	Race prédite	Probabilité
58	Samoyed	0.662487
72	West_Highland_white_terrier	0.152814
41	Lakeland_terrier	0.054210

	Race prédite	Probabilité
13	Brabancon_griffon	0.614220
103	miniature_pinscher	0.207548
19	Doberman	0.033202

	Race prédite	Probabilité
65	Staffordshire_bullterrier	0.576555
3	American_Staffordshire_terrier	0.423019
40	Labrador_retriever	0.000220

	Race prédite	Probabilité
25	French_bulldog	9.999774e-01
17	Chihuahua	2.222603e-05
15	Cardigan	4.017094e-07

	precision	recall	f1-score	support
Tibetan_mastiff	0.509091	0.933333	0.658824	30.0
Eskimo_dog	0.538462	0.269231	0.358974	26.0
English_foxhound	0.568966	0.970588	0.717391	34.0
miniature_poodle	0.607143	0.680000	0.641509	25.0
Siberian_husky	0.623188	0.877551	0.728814	49.0
Chesapeake_Bay_retriever	0.659574	0.837838	0.738095	37.0
collie	0.666667	0.666667	0.666667	27.0
Shih-Tzu	0.675676	0.862069	0.757576	29.0
Tibetan_terrier	0.677419	0.933333	0.785047	45.0
American_Staffordshire_terrier	0.703704	0.612903	0.655172	31.0
toy_poodle	0.714286	0.588235	0.645161	17.0
Rhodesian_ridgeback	0.720000	0.750000	0.734694	24.0
silky_terrier	0.722222	0.906977	0.804124	43.0
EntleBucher	0.729167	1.000000	0.843373	35.0
Cardigan	0.744186	0.888889	0.810127	36.0
Border_collie	0.758621	0.846154	0.800000	26.0
Lakeland_terrier	0.767442	0.868421	0.814815	38.0
Norwich_terrier	0.775000	0.861111	0.815789	36.0
Pekinese	0.777778	0.903226	0.835821	31.0
Doberman	0.785714	0.880000	0.830189	25.0
toy_terrier	0.800000	0.914286	0.853333	35.0
Scottish_deerhound	0.800000	0.878049	0.837209	41.0
Staffordshire_bullterrier	0.800000	0.848485	0.823529	33.0
cocker_spaniel	0.800000	0.933333	0.861538	30.0
Irish_terrier	0.804878	0.970588	0.880000	34.0
Chihuahua	0.805556	0.906250	0.852941	32.0
briard	0.806452	0.925926	0.862069	27.0
redbone	0.814815	0.846154	0.830189	26.0
Yorkshire_terrier	0.823529	0.777778	0.800000	36.0
malamute	0.828571	0.743590	0.783784	39.0
miniature_schnauzer	0.828571	0.852941	0.840580	34.0
bluetick	0.840909	0.925000	0.880952	40.0
Dandie_Dinmont	0.846154	0.916667	0.880000	24.0
Brittany_spaniel	0.850000	0.894737	0.871795	19.0
standard_schnauzer	0.851852	0.766667	0.807018	30.0
Airedale	0.852941	0.906250	0.878788	32.0
Shetland_sheepdog	0.857143	0.818182	0.837209	22.0
Great_Pyrenees	0.859649	0.924528	0.890909	53.0
Maltese_dog	0.862745	0.936170	0.897959	47.0
boxer	0.866667	1.000000	0.928571	26.0
dingo	0.868421	0.942857	0.904110	35.0
Italian_greyhound	0.870968	0.771429	0.818182	35.0
Australian_terrier	0.875000	0.777778	0.823529	54.0
Weimaraner	0.880952	0.973684	0.925000	38.0
Irish_water_spaniel	0.882353	1.000000	0.937500	30.0
Norfolk_terrier	0.888889	0.800000	0.842105	40.0
groenendael	0.888889	1.000000	0.941176	32.0
Sealyham_terrier	0.888889	0.975610	0.930233	41.0
vizsla	0.888889	0.888889	0.888889	27.0
Pembroke	0.888889	0.750000	0.813559	32.0
bloodhound	0.894737	0.944444	0.918919	36.0
Blenheim_spaniel	0.894737	0.971429	0.931507	35.0
English_setter	0.894737	0.918919	0.906667	37.0
flat-coated_retriever	0.900000	0.964286	0.931034	28.0
miniature_pinscher	0.902439	0.804348	0.850575	46.0
Welsh_springer_spaniel	0.903226	1.000000	0.949153	28.0
West_Highland_white_terrier	0.903226	0.800000	0.848485	35.0
Rottweiler	0.906250	0.935484	0.920635	31.0
otterhound	0.906250	0.852941	0.878788	34.0
bull_mastiff	0.909091	0.937500	0.923077	32.0
Appenzeller	0.909091	0.689655	0.784314	29.0
Bouvier_des_Flandres	0.913043	0.875000	0.893617	24.0
affenpinscher	0.913043	0.954545	0.933333	22.0
Irish_wolfhound	0.913043	0.763636	0.831683	55.0
Walker_hound	0.916667	0.366667	0.523810	30.0
Ibizan_hound	0.918367	0.957447	0.937500	47.0
German_short-haired_pointer	0.920000	0.884615	0.901961	26.0
golden_retriever	0.921053	0.921053	0.921053	38.0
black-and-tan_coonhound	0.925000	0.948718	0.936709	39.0
Labrador_retriever	0.925000	0.880952	0.902439	42.0
Saluki	0.928571	1.000000	0.962963	39.0
Border_terrier	0.933333	1.000000	0.965517	28.0
Saint_Bernard	0.937500	0.937500	0.937500	32.0
Lhasa	0.937500	0.625000	0.750000	48.0
German_shepherd	0.937500	0.909091	0.923077	33.0
borzoi	0.939394	1.000000	0.968750	31.0
beagle	0.941176	0.695652	0.800000	46.0
papillon	0.942857	1.000000	0.970588	33.0
soft-coated_wheaten_terrier	0.945946	0.972222	0.958904	36.0
malinois	0.948718	0.973684	0.961039	38.0
Leonberg	0.948718	1.000000	0.973684	37.0
giant_schnauzer	0.953488	0.953488	0.953488	43.0
Old_English_sheepdog	0.954545	0.777778	0.857143	27.0
Boston_bull	0.954545	0.954545	0.954545	44.0
schipperke	0.958333	0.821429	0.884615	28.0
chow	0.958333	1.000000	0.978723	46.0
Japanese_spaniel	0.960000	0.774194	0.857143	31.0
Newfoundland	0.962963	0.553191	0.702703	47.0
Brabancon_griffon	0.964286	0.964286	0.964286	28.0
Irish_setter	0.965517	0.965517	0.965517	29.0
Mexican_hairless	0.967742	1.000000	0.983607	30.0
Kerry_blue_terrier	0.968750	0.939394	0.953846	33.0
Greater_Swiss_Mountain_dog	0.968750	0.861111	0.911765	36.0
basenji	0.971429	0.809524	0.883117	42.0
Great_Dane	0.972222	0.921053	0.945946	38.0
Bedlington_terrier	0.974359	0.974359	0.974359	39.0
Bernese_mountain_dog	0.975000	0.975000	0.975000	40.0
Samoyed	0.976190	0.953488	0.964706	43.0
cairn	0.977778	0.897959	0.936170	49.0
pug	1.000000	0.966667	0.983051	30.0
standard_poodle	1.000000	0.767442	0.868421	43.0
Afghan_hound	1.000000	0.970588	0.985075	34.0
Scotch_terrier	1.000000	0.906250	0.950820	32.0
komondor	1.000000	1.000000	1.000000	35.0
African_hunting_dog	1.000000	1.000000	1.000000	29.0
English_springer	1.000000	0.656250	0.792453	32.0
French_bulldog	1.000000	0.916667	0.956522	36.0
Gordon_setter	1.000000	1.000000	1.000000	24.0
Norwegian_elkhound	1.000000	0.897436	0.945946	39.0
Pomeranian	1.000000	0.900000	0.947368	40.0
kuvasz	1.000000	0.703704	0.826087	27.0
whippet	1.000000	0.742857	0.852459	35.0
basset	1.000000	0.937500	0.967742	32.0
clumber	1.000000	0.928571	0.962963	28.0
curly-coated_retriever	1.000000	0.777778	0.875000	27.0
dhole	1.000000	1.000000	1.000000	29.0
keeshond	1.000000	1.000000	1.000000	36.0
kelpie	1.000000	0.703704	0.826087	27.0
Sussex_spaniel	1.000000	0.921053	0.958904	38.0
wire-haired_fox_terrier	1.000000	0.666667	0.800000	27.0

	Race prédite	Probabilité
104	miniature_poodle	0.949365
115	toy_poodle	0.050607
41	Lakeland_terrier	0.000025

	Race prédite	Probabilité
114	standard_schnauzer	0.787192
105	miniature_schnauzer	0.212792
94	giant_schnauzer	0.000015

	Race prédite	Probabilité
112	soft-coated_wheaten_terrier	0.600788
61	Sealyham_terrier	0.371660
39	Kerry_blue_terrier	0.017642

	Race prédite	Probabilité
38	Japanese_spaniel	0.831609
51	Pekinese	0.168314
63	Shih-Tzu	0.000053

	Race prédite	Probabilité
111	silky_terrier	0.569506
73	Yorkshire_terrier	0.427583
5	Australian_terrier	0.002841

	Race prédite	Probabilité
64	Siberian_husky	0.801461
24	Eskimo_dog	0.181698
101	malamute	0.016807

	Race prédite	Probabilité
48	Norwegian_elkhound	0.998361
101	malamute	0.001198
97	keeshond	0.000360

	Race prédite	Probabilité
68	Tibetan_terrier	0.823656
44	Maltese_dog	0.061282
38	Japanese_spaniel	0.042293

	Race prédite	Probabilité
31	Greater_Swiss_Mountain_dog	0.985689
4	Appenzeller	0.010193
23	EntleBucher	0.003996

	Race prédite	Probabilité
80	bluetick	0.977133
27	German_short-haired_pointer	0.022844
40	Labrador_retriever	0.000016

	Race prédite	Probabilité
25	French_bulldog	0.993133
17	Chihuahua	0.006508
116	toy_terrier	0.000185

	Race prédite	Probabilité
54	Rhodesian_ridgeback	0.605623
103	miniature_pinscher	0.335818
116	toy_terrier	0.029752

	Race prédite	Probabilité
60	Scottish_deerhound	9.974892e-01
36	Irish_wolfhound	2.510746e-03
81	borzoi	1.899020e-08

	Race prédite	Probabilité
72	West_Highland_white_terrier	0.921482
61	Sealyham_terrier	0.065799
41	Lakeland_terrier	0.006935

	Race prédite	Probabilité
60	Scottish_deerhound	0.999222
36	Irish_wolfhound	0.000768
81	borzoi	0.000010